AIで電池寿命を高精度予測、武漢理工大が新モデル開発
電気自動車（EV）の普及が進む中、バッテリーの寿命予測技術は、走行性能、安全性、リセールバリュー、そして消費者の信頼を左右するキーテクノロジーとして注目されている。特に、リチウムイオン電池の残存寿命（RUL）を正確に予測することは、バッテリー管理システム（BMS）の高度化や、バッテリーのサステナブルな利用において極めて重要である。この分野における画期的な進展として、武漢理工大学自動車工学部の研究チームは、新たなハイブリッドディープラーニングモデル「SCSSA-CNN-BiLSTM」を開発し、実際の走行情報に基づくバッテリー寿命予測の精度を飛躍的に向上させることに成功した。
この研究は、劉澤宇（Liu Zeyu）、彭澤源（Peng Zeyuan）、韓愛国（Han Aiguo）の3名の研究者が率いるチームによるもので、学術誌『Energy Research Journal』に掲載された。彼らのアプローチは、従来のモデルが抱えていた限界を克服し、より現実的な条件下での高精度な予測を可能にするものであり、EV産業の未来に大きな影響を与えると見られている。
リチウムイオン電池の劣化は、走行サイクル、充放電電流、温度変化、電池の使用履歴など、非常に多くの要因が複雑に絡み合って進行する。これらの要因を正確に捉え、将来の容量低下を予測することは、極めて困難な課題であった。過去の研究では、電気化学的な物理モデルを用いる方法や、機械学習に基づくデータドリブンなアプローチが主流だった。しかし、物理モデルは複雑で計算コストが高く、現実の多様な使用条件を完全に再現するのは難しく、一方、単純な機械学習モデルは、データのノイズや特定の条件下でのみ有効な場合が多く、汎化性能に欠けるという課題があった。
武漢理工大学の研究チームは、これらの課題を解決するために、CNN（畳み込みニューラルネットワーク）、BiLSTM（双方向長・短期記憶ネットワーク）、そして最適化アルゴリズムSCSSA（サイン・コサインおよびコーシー変異スパロー探索アルゴリズム）を融合した新しいハイブリッドモデルを提案した。このモデルの核心は、バッテリーの劣化を多角的に捉える点にある。
まず、CNNは、バッテリーの健康状態（SOH）に関連する深い特徴量を抽出する役割を担う。従来のCNNは画像処理に用いられることが多いが、本研究では、充放電サイクルに伴う電圧、電流、容量の変化という時系列データを、ある種の「空間的パターン」として捉え、その中から劣化の兆候となる微細な変化を学習する。これにより、容量が目に見えるほど低下する前段階から、劣化の進行具合を読み取ることが可能になる。
次に、抽出された特徴量は、BiLSTMに引き渡される。BiLSTMは、通常のLSTMが過去の情報をもとに未来を予測するのに対し、未来の情報も参照しながら過去と未来の両方向からデータを分析する。この「双方向性」が、バッテリー劣化という時間的に連続的かつ非線形なプロセスをより正確にモデル化する鍵となる。例えば、あるサイクルでの急激な放電が、その数サイクル後の劣化速度にどのように影響を与えるか、といった長期的な依存関係を捉える能力に優れている。
しかし、CNNとBiLSTMの性能は、学習率、層の数、ノードの数といった「ハイパーパラメータ」の設定に大きく左右される。最適なパラメータを見つけることは、研究者の経験や試行錯誤に頼りがちで、効率的ではない。そこで、研究チームは、最適化アルゴリズム「SCSSA」を導入した。SCSSAは、自然界のスズメの群れの行動を模した「スパロー探索アルゴリズム」を改良したものである。ここに、「サイン・コサイン戦略」を導入することで、探索空間をより広く、効率的に探索できるようにし、「コーシー変異」を加えることで、局所最適解に陥ることなく、より良い解を見つける能力を高めた。この最適化プロセスにより、CNN-BiLSTMモデルは、より少ない試行で最適な構成に近づき、予測精度が大幅に向上した。
このモデルの有効性を検証するために、研究チームは二段階の評価を行った。第一段階では、NASAが公開しているバッテリーデータセットを用いて、CNN単体、BiLSTM単体、そして最適化前のCNN-BiLSTMモデルとの比較を行った。その結果、SCSSA-CNN-BiLSTMモデルは、決定係数（R²）が4%から23%も向上し、残存寿命の絶対誤差は1サイクルという非常に高い精度を達成した。これは、予測された容量曲線が実際の劣化曲線に非常に近いことを意味し、信頼性の高い予測が可能であることを示している。
しかし、真の価値は、実際の走行環境を再現したテストでの性能にある。そこで第二段階では、中国の実用的な走行パターンを反映した「中国ライトディューティー車両テストサイクル（CLTC）」を用いたシミュレーションと実験を行った。研究チームは、SUV型EVに搭載された、84個のセルを直列に接続した三元系リチウムイオンバッテリーパック（18650セル）を対象とし、CLTCに合わせた動的な充放電プロファイルを生成した。このプロファイルは、実際の走行中の加減速や走行抵抗を反映しており、単純な定常的な充放電とは一線を画す。
このCLTCに基づくサイクル試験のデータを用いて、SCSSA-CNN-BiLSTMモデルの汎化性能を検証した。その結果、モデルは非常に優れた性能を示した。均方根誤差（RMSE）は1.64Ah、決定係数（R²）は0.98という数値は、予測値と実測値がほぼ完全に一致していることを意味し、実用レベルに達する高い信頼性を示している。特に注目すべきは、バッテリーの寿命終了（EOL）とされる80%の容量に達するサイクル数の予測が、実際の試験結果とほぼ一致したことだ。これは、車両のリセールバリューや、バッテリーの第二ライフ利用（再生利用）のタイミングを正確に把握できる可能性を示しており、産業界へのインパクトは計り知れない。
さらに、この研究の独自性は、予測に用いる特徴量の選定にもある。単に電圧や電流のデータを入力するのではなく、電池の内部劣化メカニズムに着目した。研究チームは、「dV/dQ分析」と呼ばれる手法を用いて、バッテリーの劣化を定量的に評価できる3つの指標（QAB, QBC, QCD）を抽出した。これらの指標は、正極の劣化、負極の劣化、リチウムの不可逆的損失といった、電池内部の具体的な化学反応と直接関連している。このような物理的意味を持つ特徴量をAIモデルに与えることで、単なる「ブラックボックス」ではなく、電池の劣化メカニズムを理解しながら予測を行う「ホワイトボックス」的なアプローチが可能になる。この点が、従来のデータドリブン手法との決定的な差別化要因である。
この研究の成果は、自動車メーカー、バッテリーメーカー、フリートオペレーター、そしてバッテリーリサイクル業者に幅広い応用が期待される。メーカーにとっては、BMSにこのモデルを組み込むことで、より正確な航続可能距離の表示や、バッテリーの劣化に応じた最適な充電プロファイルの提供が可能になる。これは、ユーザーの安心感を高めるだけでなく、バッテリーの寿命を最大限に延ばすことにもつながる。フリートオペレーターにとっては、予知保全の精度が向上し、予期せぬ故障による稼働停止を防ぐことができる。また、バッテリーの第二ライフ市場では、正確な寿命予測により、中古バッテリーの価値評価が可能になり、資源の有効活用が促進される。
計算環境の面でも、このモデルは実用的である。研究では、AMD EPYCプロセッサーと256GBのRAMを搭載したワークステーションで実験が行われており、特別なスーパーコンピューターを必要としない。これは、この技術が産業界で比較的容易に導入できることを意味しており、実用化へのハードルが低いことを示している。
この研究の成功は、単なる技術的進歩にとどまらない。自動車工学、電気化学、信号処理、そして人工知能という、異なる分野の専門知識が融合した成果である。これこそが、現代の複雑な工学的課題を解決するための「トータルソリューション」のあり方であり、今後の研究開発の方向性を示している。
今後の展望として、研究チームは、リアルタイムでの温度やインピーダンスの測定データをさらに取り入れることで、予測精度をさらに向上させる可能性を指摘している。また、ベイズ推論などの不確実性定量化技術を組み合わせることで、予測結果に「信頼区間」を提供し、よりリスクの少ない意思決定を支援する方向性も示唆している。クラウドベースのプラットフォームにモデルを展開し、多数の車両から得られる匿名化されたデータで継続的に学習を行うことで、モデルの性能を時間とともに進化させる「フィードバックループ」の構築も、将来的な目標の一つである。
結論として、武漢理工大学のSCSSA-CNN-BiLSTMモデルは、リチウムイオンバッテリーの寿命予測において、精度と信頼性の新たな基準を確立した。物理的知識と先進的なAIを融合させることで、バッテリーの「見える化」を進め、EVの信頼性と持続可能性を高める道を開いた。電動化の時代において、バッテリーは「心臓」に等しい存在であり、その健康状態を正確に診断できる技術は、まさに未来のモビリティを支える「医療技術」とも言えるだろう。この研究は、その第一歩を確かなものにしたと言える。
劉澤宇、彭澤源、韓愛国、武漢理工大学自動車工学部；『Energy Research Journal』掲載、DOI: 10.3969/j.issn.1674-8425(z).2024.01.034